Développement et Validation d'un Modèle Prédictif Personnalisé de la Mortalité à 1 an Après Angioplastie Coronaire :Une Approche par Apprentissage Automatique Basée sur la Base de Données France PCI - AI-CLARIFY PCI
Résumé du projet
CONTEXTE
Les maladies coronariennes (MC) sont responsables de 31% des décès mondiaux selon l'OMS (1). Bien que
l’angioplastie coronaire (PCI) soit courante, ses résultats varient significativement selon les caractéristiques des patients
et d'autres facteurs encore mal identifiés (2).
La base de données France PCI compile des données démographiques, cliniques, angiographiques et procédurales
détaillées, ainsi qu’un suivi à long terme de qualité. Ces informations sont essentielles pour créer des modèles
prédictifs précis et personnalisés.
Les techniques d'apprentissage automatique ont démontré leur capacité à identifier les associations entre les facteurs
de risque cardiovasculaires et les résultats cliniques. Toutefois, les modèles actuels manquent de granularité dans les
données médicamenteuses et procédurales, ainsi que de suivi à long terme (3, 4).
En identifiant des phénotypes spécifiques, nous pouvons développer des modèles prédictifs plus précis et adaptés. En
collaboration avec l’équipe de France-PCI, notre projet vise à exploiter pleinement cette base de données, avec
l’ambition de produire plusieurs publications scientifiques. Ces travaux valoriseront la base de données France PCI et
amélioreront les pratiques cliniques en angioplastie coronaire.
1) OMS, "Cardiovascular diseases (CVDs) - Fact Sheet," 2023.
2) Huang et al., "In-hospital major adverse cardiovascular events after primary percutaneous coronary intervention in patients
with acute ST-segment elevation myocardial infarction," BMC Cardiovasc Disord, 2023.
3) Mohammadi et al., "Unsupervised Machine Learning with Cluster Analysis in Patients Discharged after an Acute Coronary
Syndrome," Am J Cardiol, 2023.
4) Al'Aref et al., "Determinants of In-Hospital Mortality After Percutaneous Coronary Intervention: A Machine Learning
Approach," J Am Heart Assoc, 2019.
OBJECTIFS
Objectif Principal : Développer et valider un modèle prédictif personnalisé utilisant des techniques d'apprentissage
automatique pour estimer la mortalité à 1 an post-PCI, incluant des variables cliniques, médicamenteuses,
organisationnelles, angiographiques et techniques pour les patients avec des SCA et SCC.
Objectifs Secondaires :
• Identifier et prédire les complications à court terme (30 jours post-PCI) : incidence des arythmies, perforations
coronaires, tamponnades, complications vasculaires et neurologiques, choc cardiogénique, décès liés à la
procédure.
• Évaluer l'incidence et les facteurs prédictifs des MACE à 1 an : mortalité, infarctus, AVC, PCI non programmée.
• Mesurer et analyser le ressenti des patients à 1 an : douleur ou gêne à l’effort, ressenti post-PCI.
• Identifier les facteurs de risque et prédire les hémorragies graves (BARC ≥ 3) à 1 an : incidence des hémorragies
graves classées BARC ≥ 3.,
METHODOLOGIE
• Identification des phénotypes : Les autoencodeurs, une classe de réseaux de neurones non supervisés, seront
utilisés pour explorer les différents phénotypes En effet, ces autoencodeurs sont particulièrement utiles en
raison de leur capacité à réduire la dimensionnalité et à extraire des caractéristiques essentielles des structures
de données complexes.
• Développement de modèles prédictifs : Les phénotypes obtenus à l’étape précédente seront utilisés pour
construire des modèles de prédiction supervisés, incluant la régression logistique et/ou les forêts aléatoires
pour les critères de jugement binaires. La performance des différents modèles sera estimée à l’aide d’une
validation croisée 10-fold.
• Évaluation des modèles : Les modèles seront évalués à l’aide des aires sous les courbes ROC (AUC) sur un
échantillon indépendant de sujets n’ayant pas servi au développement des différents modèles.
